程鐵棟，易其文，吳義文，戴聰聰，蔡改貧，楊麗榮，尹寶勇

(江西理工大學(xué)，江西 贛州 341000)

隨著深部礦產(chǎn)資源的進(jìn)一步開采及地下空間的開發(fā)利用，沖擊地壓、頂板大面積垮落、礦震等地質(zhì)災(zāi)害越發(fā)頻繁,礦巖條件與開采環(huán)境日益惡化，礦井安全問題日益突出[1-3]。能夠提前監(jiān)測(cè)礦山地壓災(zāi)害可能發(fā)生的位置，是對(duì)深部巖土工程巖爆進(jìn)行有效預(yù)測(cè)的重要途徑之一。微震監(jiān)測(cè)技術(shù)是目前較為先進(jìn)和有效的地壓監(jiān)測(cè)手段，在國內(nèi)外金屬、煤巖礦山都有諸多應(yīng)用[4-8]。微震監(jiān)測(cè)將采集到的信號(hào)進(jìn)行波形分析，從而獲取微震事件的時(shí)間、位置及震源參數(shù)信息[9]，然而傳感器所采集到的信號(hào)混雜了爆破、機(jī)械噪聲等干擾信號(hào)，目前國外具備自動(dòng)識(shí)別功能的微震監(jiān)測(cè)系統(tǒng)，對(duì)巖體微震與爆破振動(dòng)信號(hào)進(jìn)行自動(dòng)識(shí)別效果較差，一般還需要依靠人工識(shí)別，受個(gè)體因素影響可能存在誤判，且效率不高[10]。如何從諸多波形信號(hào)中提取出有效的微震信號(hào)用于巖爆預(yù)測(cè)顯得尤為重要。

時(shí)頻分析是微震與爆破信號(hào)波形識(shí)別的主要方法之一，能夠?qū)ξ⒄鸷捅菩盘?hào)的頻譜特征進(jìn)行有效提取和分析。曹業(yè)安等[11-14]采用傅里葉變換對(duì)礦山微震和爆破信號(hào)的頻譜特征進(jìn)行了研究，為沖擊地壓的預(yù)測(cè)預(yù)報(bào)工作提供了一種思路。吳響等[15]在經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)的基礎(chǔ)上分別結(jié)合奇異值分解和Volterra級(jí)數(shù)對(duì)微震與爆破信號(hào)特征提取。朱權(quán)潔等[16]從能量分布的角度采用小波包分解對(duì)微震事件進(jìn)行分析。唐守鋒等[17]提出了以一種基于小波理論的小波能譜系數(shù)分析方法，對(duì)煤巖破裂微震與噪聲信號(hào)進(jìn)行分析，為后期模式識(shí)別打下了重要基礎(chǔ)。朱權(quán)潔等[18]結(jié)合小波分析與分形理論對(duì)微震信號(hào)進(jìn)行分析，以分形盒維數(shù)作為特征向量進(jìn)行特征提取，并通過支持向量機(jī)(support vector machines,SVM)進(jìn)行分類識(shí)別，識(shí)別準(zhǔn)確率高達(dá)94%。李偉提出基于局部均值分解(local mean decomposition LMD)和SVM對(duì)微震與爆破信號(hào)進(jìn)行特征提取和分類，準(zhǔn)確率達(dá)93%。以上方法雖然在微震監(jiān)測(cè)領(lǐng)域廣泛應(yīng)用，并取得了不錯(cuò)的效果，但是也存在一些不足：傅里葉變換僅能通過頻譜分析對(duì)微震與爆破信號(hào)進(jìn)行初步判定；傳統(tǒng)EMD缺乏有力的理論基礎(chǔ)，且在信號(hào)分解過程中易出現(xiàn)模態(tài)混疊和端點(diǎn)效應(yīng)，依靠經(jīng)驗(yàn)選取有效IMF分量的過程中存在著誤判現(xiàn)象；小波分析和小波包分解對(duì)信號(hào)的自適應(yīng)分解性能較差。

經(jīng)驗(yàn)小波變換(empirical wavelet transform,EWT)是由Gilles[19]提出的一種新的自適應(yīng)信號(hào)分解方法，該方法在小波分析理論框架下建立，理論基礎(chǔ)完備，適用于非線性、非平穩(wěn)信號(hào)分析。EWT不但可以避免EMD存在的模態(tài)混疊和端點(diǎn)效應(yīng)的發(fā)生，而且提高了信噪比、縮短了計(jì)算時(shí)間，目前已廣泛應(yīng)用于故障檢測(cè)[20-22]。然而，EWT在以往處理復(fù)雜信號(hào)頻譜時(shí)易出現(xiàn)過切分問題，導(dǎo)致分解效果不好，還需進(jìn)一步優(yōu)化。多尺度排列熵(multi-scale permutation entropy,MPE)是基于排列熵基礎(chǔ)上改進(jìn)的一種非線性分析算法，用于衡量時(shí)間序列在不同尺度下的復(fù)雜性和隨機(jī)性,具有穩(wěn)定性高、運(yùn)算量小、抗噪能力強(qiáng)等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用于故障診斷領(lǐng)域[23-25]，但MPE在微震領(lǐng)域未見應(yīng)用。鑒于此，本文嘗試?yán)肊WT對(duì)巖體微震與爆破振動(dòng)信號(hào)進(jìn)行分解，并在傳統(tǒng)EWT的基礎(chǔ)上提出了新的改進(jìn)方法，利用相關(guān)性分析篩選出最優(yōu)IMF分量進(jìn)行重構(gòu)，再結(jié)合MPE提取特征向量，最后采用GK(Gustafson-Kessel)模糊聚類算法進(jìn)行分類識(shí)別。

1 EWT算法改進(jìn)

EWT的核心是通過對(duì)信號(hào)的傅里葉頻譜進(jìn)行自適應(yīng)劃分，構(gòu)造合適的正交小波濾波器組，將單一信號(hào)分解并提取分解信號(hào)中不同頻率特征信息的模態(tài)分量。然而所采用的局部極大值分割法，對(duì)簡(jiǎn)單信號(hào)頻譜進(jìn)行劃分時(shí)效果較好，處理復(fù)雜信號(hào)時(shí)易出現(xiàn)過切分或欠切分問題，使得結(jié)果產(chǎn)生誤差。如何對(duì)傅里葉頻譜進(jìn)行有效劃分極其重要，這一步?jīng)Q定了EWT對(duì)分解信號(hào)的自適應(yīng)效果。為此，本文采用最大熵譜估計(jì)法[26-27]對(duì)EWT進(jìn)行改進(jìn)，其主要步驟流程如圖1所示，其中虛線框?yàn)楦倪M(jìn)部分。

圖1 改進(jìn)EWT算法流程圖Fig.1 Improved EWT algorithm flowchart

2 多尺度排列熵(MPE)

多尺度排列熵是Aizz等[28]在排列熵基礎(chǔ)上改進(jìn)的一種非線性分析算法，其基本思想是將時(shí)間序列首先進(jìn)行多尺度粗?；儆?jì)算各尺度子序列的排列熵，具體步驟如下：

(1)

式中，s為尺度因子，s=1,2,...；[N/s]表示對(duì)N/s取整。

(2)

其中l(wèi)為第l個(gè)重構(gòu)分量l=1,2,…,N-(m-1)τ；τ為延遲時(shí)間；m為嵌入維數(shù)。

將重構(gòu)序列按升序排列，可得到符號(hào)序列S(r)=(l1,l2,…,lm)。其中r=1,2,…,R且R≤m!。計(jì)算每一種符號(hào)序列出現(xiàn)的概率Pr。

根據(jù)等式(3)計(jì)算每個(gè)粗粒化序列的排列熵，歸一化后得到時(shí)間序列在多尺度下的排列熵值。

(3)

3 基于改進(jìn)EWT_MPE的信號(hào)特征提取及GK分類方法

3.1 基于改進(jìn)EWT_MPE的信號(hào)特征提取

由于改進(jìn)EWT分解得到的IMF分量中，包含了如信號(hào)的局部特征、信號(hào)不同時(shí)間尺度特征等諸多信息，一些分量對(duì)微震信號(hào)的特征提取貢獻(xiàn)不大，為此，采用分量與原始信號(hào)的相關(guān)系數(shù)對(duì)IMF分量進(jìn)行篩選。相關(guān)系數(shù)越大，其對(duì)應(yīng)的分量就越重要[29]。其定義如下：

(i=1,2,…,n)

(4)

式中:co(i)為各分量與原始信號(hào)x(i)的相關(guān)系數(shù);N為微震事件的總采樣點(diǎn)數(shù)。

3.2 GK分類方法

GK模糊聚類算法[30]是利用協(xié)方差矩陣的自適應(yīng)距離進(jìn)行度量，通過最小化目標(biāo)函數(shù)來獲得隸屬度矩陣U=[μij]c×n和聚類中心V=[v1,v2,…,vn]Τ。其中vi(i=1,2,…,c)為第i個(gè)聚類中心，n為樣本個(gè)數(shù)，μij表示j個(gè)元素屬于第i類隸屬度，且滿足：

(5)

GK模糊聚類的目標(biāo)函數(shù)為

(6)

(7)

(8)

(9)

GK模糊聚類的聚類效果可用分類系數(shù)和平均模糊熵進(jìn)行檢驗(yàn)。

分類系數(shù)

(10)

平均模糊熵

(11)

其中，C越接近1，分類效果越清晰，反之分類越模糊；E的值越接近0，聚類效果越好。

4 仿真信號(hào)分析

為驗(yàn)證本文所提算法的可行性和準(zhǔn)確性，先采用仿真信號(hào)進(jìn)行對(duì)比分析試驗(yàn)。由于原信號(hào)經(jīng)過EWT分解可得到N+1個(gè)IMF分量，那么原信號(hào)也可看成由多個(gè)分辨率不同的信號(hào)分量疊加而成[31]。為此，仿真信號(hào)fsig(t)取單調(diào)趨勢(shì)信號(hào)f1(t)，調(diào)頻信號(hào)f2(t)和兩個(gè)不同時(shí)間段頻率單一的信號(hào)f3(t)組成。另外，考慮到礦山微震信號(hào)采集過程中存在噪聲干擾，仿真信號(hào)中添加了白噪聲n(t)，信噪比為3，t∈[0,1]。fsig(t)時(shí)域波形如圖2所示。

圖2 仿真信號(hào)fsig(t)的時(shí)域波形Fig.2 Time domain waveform of the simulated signal fsig(t)

經(jīng)驗(yàn)小波算法分解所輸出的結(jié)果，實(shí)質(zhì)是由一個(gè)尺度函數(shù)和N個(gè)小波濾波函數(shù)濾波所得。試驗(yàn)取N=4對(duì)信號(hào)頻譜進(jìn)行劃分。圖3(a)和(b)分別為改進(jìn)EWT和傳統(tǒng)EWT頻譜劃分結(jié)果及其對(duì)應(yīng)的小波濾波器組；圖4(a)和(b)是fsig(t)信號(hào)的改進(jìn)EWT和傳統(tǒng)EWT分解結(jié)果。

(a) 改進(jìn)EWT

(a) 改進(jìn)EWT

由圖4分解結(jié)果可知,傳統(tǒng)EWT和改進(jìn)EWT均能將噪聲及4個(gè)分量分解出來，其中改進(jìn)EWT能較好地將各模態(tài)分量分解出來，且與原始信號(hào)非常吻合。相比之下，圖4(b)所示傳統(tǒng)EWT所分解出的各模態(tài)分量吻合度并不高，IMF2～I(xiàn)MF4分量更是出現(xiàn)畸形。這是由于傳統(tǒng)EWT對(duì)傅里葉頻譜劃分時(shí)，受噪聲和非平穩(wěn)信號(hào)分量影響產(chǎn)生偽峰和毛刺[32](圖3(b)所示)，引起傅里葉譜波動(dòng)而不平滑，從而導(dǎo)致所檢測(cè)到的部分邊界結(jié)果出現(xiàn)錯(cuò)誤，由此產(chǎn)生的無用極值被保留在峰值序列中，而一些有用極值未被保留在峰值序列中，造成錯(cuò)誤的頻譜劃分結(jié)果。由于改進(jìn)EWT是在功率譜中檢測(cè)邊界，信號(hào)的功率譜更為平滑，幾乎沒有毛刺，波峰波谷也很清晰(如圖3(a)所示)，因而可成功檢測(cè)到邊界，對(duì)頻譜進(jìn)行有效劃分。

與EMD相比，EWT允許預(yù)先設(shè)定模態(tài)數(shù)量，因此信號(hào)分解結(jié)果更加穩(wěn)定[33]。如圖5所示為EMD分解結(jié)果，雖然也能將噪聲區(qū)分開來，但EMD由于終止條件不合理而出現(xiàn)過分解現(xiàn)象，即產(chǎn)生虛假分量，這些虛假分量并沒完備的理論可以解釋，多次迭代使得分解時(shí)間過長(zhǎng)。EWT可將屬于同一部分的兩個(gè)模態(tài)分解出來，但是分解出的兩個(gè)模態(tài)具有更實(shí)質(zhì)的原信號(hào)特征，可看做兩個(gè)獨(dú)立模態(tài)。相比傳統(tǒng)EWT和EMD，改進(jìn)EWT能對(duì)信號(hào)進(jìn)行更加有效地分解，避免了模態(tài)混疊現(xiàn)象，算法簡(jiǎn)單、計(jì)算速度快，分解結(jié)果更加穩(wěn)定。

圖5 EMD分解結(jié)果Fig.5 EMD decomposition result

5 工程實(shí)例分析

5.1 微震信號(hào)波形分析

為進(jìn)一步驗(yàn)證本文所提算法的有效性，采用千秋煤礦采集到的微震事件數(shù)據(jù)進(jìn)行試驗(yàn)分析,該礦安裝了波蘭ARAMIS微震監(jiān)測(cè)系統(tǒng)，傳感器采樣頻率設(shè)置為500 Hz。現(xiàn)場(chǎng)監(jiān)測(cè)到的信號(hào)主要有兩類：有效的煤巖破裂微震事件；放炮、卸壓炮、松動(dòng)炮等人工爆破事件。

圖6所示為系統(tǒng)采集到的兩個(gè)典型巖體微震信號(hào)和爆破振動(dòng)信號(hào)，通過對(duì)比可發(fā)現(xiàn)兩種波形存差異：① 微震是礦巖變形、裂紋擴(kuò)展過程中的伴生現(xiàn)象，其呈現(xiàn)的波形較為單一、衰減緩慢、尾波發(fā)育；② 由于礦山采用微差爆破，而導(dǎo)致爆破信號(hào)出現(xiàn)重復(fù)波形，其信號(hào)波形的衰減速度較快、尾波不發(fā)育；③ 通常情況下，爆破信號(hào)的峰值振幅比微震信號(hào)大。雖然通過人工可以辨別這些差異，但是很難通過上述差異對(duì)信號(hào)進(jìn)行自動(dòng)識(shí)別。因此，必須通過特征提取對(duì)兩種信號(hào)的差異性進(jìn)行量化，進(jìn)而達(dá)到有效自動(dòng)識(shí)別的目的。

(a) 巖體微震信號(hào)

5.2 EWT信號(hào)分解

將典型巖體微震信號(hào)與爆破振動(dòng)信號(hào)進(jìn)行分解，圖7是經(jīng)過改進(jìn)EWT分解后得到的結(jié)果，分別計(jì)算出各IMF分量的最大幅值。微震信號(hào)各IMF分量的最大幅值分別為0.047 8,0.129 8,0.066 5,0.040 8,0.022 1,0.001 6 mm/s；爆破振動(dòng)信號(hào)各IMF分量的最大振幅為0.097 0,0.198 3,0.185 2,0.107 5,0.033 8,0.012 2 mm/s，可見巖體微震與爆破振動(dòng)信號(hào)的主要振動(dòng)強(qiáng)度集中于分量IMF1～I(xiàn)MF5。

(a) 巖體微震信號(hào)

獲得更為有效的信號(hào)特征將有助于后期識(shí)別準(zhǔn)確率的提高，為此需要對(duì)分解到的IMF分量進(jìn)行篩選。隨機(jī)選取巖體微震與爆破振動(dòng)信號(hào)各5個(gè)進(jìn)行改進(jìn)EWT分解，利用式(4)計(jì)算出各IMF分量與對(duì)應(yīng)原始信號(hào)的相關(guān)系數(shù)，其結(jié)果如圖8所示。由誤差棒圖可以看出，微震與爆破信號(hào)相關(guān)系數(shù)的變化趨勢(shì)大致相同，樣本各IMF分量相關(guān)系數(shù)值誤差上下限均不大，且均在IMF6達(dá)到最小。徐峰等[34]經(jīng)多次試驗(yàn)得出結(jié)論，認(rèn)為相關(guān)系數(shù)小于0.03的IMF分量應(yīng)該剔除。因此，本文選取IMF1～I(xiàn)MF5作為最優(yōu)模態(tài)分量。

圖8 各分量與對(duì)應(yīng)原始信號(hào)的相關(guān)系數(shù)Fig.8 Correlation coefficients between each component and the corresponding original signal

5.3 特征提取

利用篩選所得最優(yōu)IMF分量進(jìn)行信號(hào)重構(gòu)，并計(jì)算重構(gòu)信號(hào)的多尺度排列熵值。多尺度排列熵的計(jì)算需設(shè)置嵌入維數(shù)m、尺度因子s和延遲時(shí)間τ。其中，嵌入維數(shù)m取值范圍通常為3～7，m取值太小，重構(gòu)序列中包含的狀態(tài)太少，算法失去意義和有效性；m取值太大，計(jì)算量越大，導(dǎo)致算法的運(yùn)行時(shí)間變長(zhǎng)，并無法反映時(shí)間序列的細(xì)微變化。鄭近德等經(jīng)過試驗(yàn)證明延遲時(shí)間τ對(duì)時(shí)間序列的熵值計(jì)算結(jié)果影響較小，圖9所示為微震與爆破信號(hào)在嵌入維數(shù)不變的情況下信號(hào)的排列熵值隨延遲時(shí)間τ的變化情況。從圖中可以看出延遲時(shí)間τ對(duì)信號(hào)熵值的影響不大，為此本文取τ=1。

圖9 微震與爆破信號(hào)在不同延遲時(shí)間下的排列熵Fig.9 The permutation entropy of microseismic and blasting signal at different delay time

多尺度排列熵用于衡量時(shí)間序列在不同尺度下的復(fù)雜性和隨機(jī)性，可有效檢測(cè)振動(dòng)信號(hào)的動(dòng)態(tài)變化，反映振動(dòng)信號(hào)在不同尺度下的特征。圖10所示為不同嵌入維數(shù)下巖體微震與爆破振動(dòng)信號(hào)的MPE值隨尺度因子s的變化情況。由誤差棒圖可以看出，隨著尺度因子變化，樣本的熵值也在變化，且誤差上下限都不大，因?yàn)樾盘?hào)的隨機(jī)性發(fā)生了變化，從而導(dǎo)致排列熵值發(fā)生變化；而由于復(fù)雜度不一樣，兩種信號(hào)的MPE值也存在明顯差異。由圖10(c)可以看出，m=7時(shí)，s=12時(shí)信號(hào)的MPE值存在重疊部分，此時(shí)很難對(duì)兩種信號(hào)進(jìn)行區(qū)分；而m=3和m=5時(shí)，微震信號(hào)的MPE值明顯要小于爆破信號(hào)的MPE值，且嵌入維數(shù)m=5時(shí)，兩種信號(hào)的MPE值差異性最大。因此，本文取嵌入維數(shù)m=5。

尺度因子s的取值一般大于10，如果s取值過小，則只能在較少尺度范圍內(nèi)對(duì)時(shí)間序列進(jìn)行分析，不能最大限度地提取信號(hào)的特征信息；s取值過大，有可能造成信號(hào)之間的復(fù)雜度差異被抹除。由圖10(a)和(b)可以看出，隨著尺度因子s增大，微震信號(hào)的MPE值呈遞增趨勢(shì)且逐漸接近爆破信號(hào)的MPE值。雖然當(dāng)s=12時(shí)微震與爆破信號(hào)的MPE值還存在明顯差異，但是當(dāng)尺度因子s過大時(shí)，兩種信號(hào)的MPE值有可能會(huì)很接近甚至有交叉，這就會(huì)影響對(duì)微震與爆破信號(hào)的自動(dòng)識(shí)別。為了盡可能大的提取信號(hào)特征信息，后續(xù)研究中選取尺度因子s=12，嵌入維數(shù)m=5，延遲時(shí)間τ=1。

(a) m=3

由上述分析可以發(fā)現(xiàn)，MPE可作為識(shí)別微震信號(hào)的一個(gè)重要特征參數(shù)。然而，上述分析只是對(duì)提取的特征做了定性分析，并不能對(duì)微震信號(hào)進(jìn)行定量識(shí)別。鑒于此，本文采用GK模糊聚類算法對(duì)巖體微震與爆破振動(dòng)信號(hào)作進(jìn)一步分類識(shí)別，以期得到較好的分類結(jié)果。

5.4 GK分類識(shí)別

從采集到的微震數(shù)據(jù)中隨機(jī)抽取200個(gè)巖體微震信號(hào)和200個(gè)爆破振動(dòng)信號(hào)進(jìn)行EWT分解并重構(gòu)，將重構(gòu)后的兩種信號(hào)各構(gòu)成40組樣本。每種信號(hào)取前20組數(shù)據(jù)作為已知樣本，后20組數(shù)據(jù)作為待識(shí)別樣本。選取參數(shù)優(yōu)化后的MPE值作為特征向量，通過GK模糊聚類算法確定標(biāo)準(zhǔn)聚類中心，再結(jié)合擇近原則利用式(12)計(jì)算待識(shí)別樣本與標(biāo)準(zhǔn)聚類中心的歐式貼近度，從而實(shí)現(xiàn)對(duì)兩種信號(hào)的分類識(shí)別，模式識(shí)別流程圖如圖11所示。

圖11 模式識(shí)別流程圖Fig.11 Pattern recognition flow chart

(12)

式中：n為樣本個(gè)數(shù);μA(ui)、μB(ui)分別為樣本μi對(duì)待識(shí)別模糊子集A和標(biāo)準(zhǔn)聚類中心模糊子集B的隸屬度。

圖12為巖體微震與爆破振動(dòng)信號(hào)在不同模型下聚類后的二維空間分布以及二維等高線。圖12(a)為改進(jìn)EWT_MPE_GK模糊聚類結(jié)果，由于同種信號(hào)的不同樣本間具有相似性的特點(diǎn)，兩種信號(hào)的MPE特征參量按不同信號(hào)類別分布在兩個(gè)聚類中心的周圍，且不同信號(hào)之間區(qū)分較為明顯，這說明基于改進(jìn)EWT_MPE_GK模糊聚類算法對(duì)微震事件的分類識(shí)別具有很好的效果。為進(jìn)一步驗(yàn)證所提方法的優(yōu)越性，分別采用傳統(tǒng)EWT_MPE_GK模糊聚類和EMD_MPE_GK模糊聚類進(jìn)行分析，結(jié)果分別如圖12(b)和(c)所示。由圖12可以看出，傳統(tǒng)EWT_MPE_GK和EMD_MPE_GK雖然也能將兩種信號(hào)區(qū)分開來，但是聚類效果并不理想。改進(jìn)EWT_MPE_GK較傳統(tǒng)EWT_MPE_GK和EMD_MPE_GK兩種模型聚類結(jié)果，巖體微震與爆破振動(dòng)信號(hào)交疊區(qū)域數(shù)據(jù)點(diǎn)更少，而且隸屬度等高線區(qū)分微震與爆破信號(hào)的誤判數(shù)更少，類內(nèi)MPE特征更緊密，分類效果更理想。

(a) 改進(jìn)EWT_MPE_GK模糊聚類

表1為各模型對(duì)巖體微震與爆破振動(dòng)信號(hào)的分類識(shí)別結(jié)果，由表1可知，改進(jìn)EWT_MPE_GK模糊聚類的分類識(shí)別準(zhǔn)確率達(dá)到93.5%，且改進(jìn)EWT分解重構(gòu)信號(hào)的平均模糊熵(E)更小、分類系數(shù)(C)更接近1，其分類識(shí)別結(jié)果具有更高的準(zhǔn)確性。對(duì)比EMD_MPE_GK模糊聚類和改進(jìn)EWT_MPE_GK模糊聚類的分類識(shí)別結(jié)果，改進(jìn)EWT的分類系數(shù)、平均模糊熵及準(zhǔn)確率均優(yōu)于EMD。因此，基于改進(jìn)EWT_MPE_GK模糊聚類算法能夠?qū)r體微震信號(hào)與爆破振動(dòng)信號(hào)進(jìn)行有效識(shí)別，與其他兩種模型相比較，C值更接近1，E值更小，進(jìn)一步證明了所提方法對(duì)巖體微震信號(hào)與爆破振動(dòng)信號(hào)分類識(shí)別的優(yōu)越性。

表1 基于MPE_GK模糊聚類分類識(shí)別結(jié)果Tab.1 Classification recognition results based on based on MPE_GK fuzzy cluster

6 結(jié) 論

(1) 本文針對(duì)EWT在以往處理復(fù)雜信號(hào)頻譜出現(xiàn)的過切分問題提出了新的改進(jìn)方法，試驗(yàn)結(jié)果表明，與傳統(tǒng)EWT和EMD相比較，改進(jìn)EWT能夠更加準(zhǔn)確有效地將信號(hào)分解；相較于EMD，改進(jìn)EWT避免了端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，算法簡(jiǎn)單、計(jì)算速度快，分解結(jié)果更加穩(wěn)定。

(2) 多尺度排列熵用于衡量時(shí)間序列在不同尺度下的復(fù)雜性和隨機(jī)性，可有效檢測(cè)振動(dòng)信號(hào)的動(dòng)態(tài)變化，反映振動(dòng)信號(hào)在不同尺度下的特征。本文將篩選所得最優(yōu)IMF分量進(jìn)行重構(gòu)，并計(jì)算重構(gòu)信號(hào)的MPE值，結(jié)果顯示，巖體微震信號(hào)的MPE值要小于爆破振動(dòng)信號(hào)的MPE值，且當(dāng)嵌入維數(shù)m=5，尺度因子s=12，延遲時(shí)間τ=1時(shí)，兩種信號(hào)的MPE值差異性最大。

(3) 基于改進(jìn)EWT_MPE_GK模糊聚類算法的分類識(shí)別準(zhǔn)確率達(dá)到93.5%，其平均模糊熵更接近0，分類系數(shù)更接近1。與傳統(tǒng)EWT_MPE_GK模糊聚類和EMD_MPE_GK模糊聚類相比，本文所提方法的聚類效果更優(yōu)、識(shí)別準(zhǔn)確率更高。因此，改進(jìn)EWT_MPE_GK模糊聚類模型為礦山微震信號(hào)特征提取及分類識(shí)別提供了一種新的分析方法。